国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

數(shù)據(jù)分析是產(chǎn)品經(jīng)理的必備技能之一，不過說了那么多數(shù)據(jù)分析技能與能力，你知道到底該如何將其應用到產(chǎn)品工作中，解決實際問題嗎？相信本文能為你帶來啟發(fā)與思考。

翻開各類招聘網(wǎng)站搜索產(chǎn)品經(jīng)理，很多jd上面都寫著類似：數(shù)據(jù)思維、數(shù)據(jù)分析能力這類要求。

面試的時候，產(chǎn)品經(jīng)理也喜歡說自己善于數(shù)據(jù)驅動，然后舉了個千年不變的例子：需求上線后做埋點統(tǒng)計…誠然，這也是數(shù)據(jù)分析的工作之一，但只是冰山一角，并不能說明其有多強的數(shù)據(jù)思維。

產(chǎn)品經(jīng)理這輩子是離不開數(shù)據(jù)了，但有時候又不大懂數(shù)據(jù)，就跟自己的另一半一樣，恩怨情仇，相愛相殺。

七爺作為一個嗶嗶高手，大談過AI風云，而這區(qū)區(qū)“數(shù)據(jù)情史”，我也得好好一番揮斥方遒。

一、論產(chǎn)品經(jīng)理與大數(shù)據(jù)有毛關系

【大數(shù)據(jù)】這個概念最早其實在1983年IBM就提過了，而今時今日隨著移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等發(fā)展，數(shù)據(jù)量爆炸性地增長，也讓【大數(shù)據(jù)】這個概念變成習以為常的東西，很多高校設置大數(shù)據(jù)課程，每個企業(yè)在（chui）宣（niu）傳（bi）時候也會頻頻提到大數(shù)據(jù)。事實上，這玩意兒如果吹得越大，泡沫只會越大，最終成為一件“皇帝的新衣”。

所謂“無論黑貓白貓，抓得住老鼠就是好貓”，數(shù)據(jù)也一樣，無論大數(shù)據(jù)小數(shù)據(jù)，能產(chǎn)生價值，就是好數(shù)據(jù)。產(chǎn)品經(jīng)理真想講清楚自己數(shù)據(jù)思維多牛逼，不用說自己做過大數(shù)據(jù)啥啥的，而是把利用數(shù)據(jù)帶來的價值擺上臺面，言之有物，才能真正讓人心服口服。

從企業(yè)方面來說，數(shù)據(jù)的效果或者叫價值，其實不外乎帶來商業(yè)的價值提升。而要提升商業(yè)價值，可以從三方面入手：（1）提成收入;（2）降低支出;（3）控制風險。也只有在這三方面帶來可量化的改進，才能說數(shù)據(jù)分析有價值，也才能看出產(chǎn)品經(jīng)理的牛X。

二、論產(chǎn)品經(jīng)理與數(shù)據(jù)崗位有毛關系

說到懂數(shù)據(jù)，相信很多人想到的都是數(shù)據(jù)挖掘工程師、數(shù)據(jù)分析師、數(shù)據(jù)產(chǎn)品經(jīng)理，認為這些崗位對數(shù)據(jù)能力才有高要求，其他產(chǎn)品崗位不需要了解那么多。

對于該看法，我首先得跟大家啰嗦下這幾個崗位到底是干啥的，我們才能好對比得出結論。

首先是數(shù)據(jù)挖掘工程師，先來看其部分職位職責：

• 負責核心產(chǎn)品的用戶數(shù)據(jù)體系和基礎技術的建設工作，支撐業(yè)務快速發(fā)展；
• 運營數(shù)據(jù)挖掘、機器學習、深度學習等技術，構建多維度用戶畫像；

很明顯數(shù)據(jù)挖掘工程師屬于技術范疇，運用各類技術為其他數(shù)據(jù)崗位提供技術支持，這個崗位相對容易理解，在此不再贅述。

其次是數(shù)據(jù)分析師，也來看其部分職位職責：

• 配合產(chǎn)品團隊、運營團隊等驅動產(chǎn)品優(yōu)化、用戶活躍；
• 配合項目負責人做財務模型、市場預測、定價策略、競爭策略；
• 通過海量數(shù)據(jù)的挖掘和分析，形成報告，匯報給決策層。

數(shù)據(jù)分析師需要針對具體業(yè)務進行數(shù)據(jù)分析，將分析結果以報表等方式展現(xiàn)，輸出一個策略建議或數(shù)據(jù)結論，最終解決一定的商業(yè)問題。其需要掌握常用分析工具，熟悉數(shù)據(jù)庫，了解分析模型等。

最后是數(shù)據(jù)產(chǎn)品經(jīng)理，它的崗位職責是：

• 與數(shù)據(jù)分析師配合構建數(shù)據(jù)模型產(chǎn)品，與數(shù)據(jù)挖掘工程師配合搭建數(shù)據(jù)倉庫；
• 撰寫產(chǎn)品文檔，協(xié)調資源推送順利上線

這里數(shù)據(jù)產(chǎn)品經(jīng)理要做的就是把數(shù)據(jù)分析師的工作轉化為數(shù)據(jù)產(chǎn)品，提高后者的工作效率。所以數(shù)據(jù)產(chǎn)品也是產(chǎn)品經(jīng)理的分職，同樣需要具備產(chǎn)品經(jīng)理的素質，只是在這個過程中對數(shù)據(jù)分析能力有所要求，否則恐怕在平時得被數(shù)據(jù)分析師和數(shù)據(jù)工程師懟死。

如果是其他產(chǎn)品崗位的同學，平時很少直接接觸數(shù)據(jù)業(yè)務，對上述職位也（guan）無（wo）感（mao）知（shi）。但產(chǎn)品經(jīng)理這個崗位的核心目標是解決問題，這個過程中需要“不擇手段”，包括溝通、邏輯、交互、技術等，而數(shù)據(jù)分析能力更是可帶來神奇效果的絕佳手段。要成為絕世武林高手，如此利器，怎能不用？

事實上，很多場景下，產(chǎn)品經(jīng)理都需要依靠數(shù)據(jù)做決策支撐，比如七爺做nlp產(chǎn)品時，每天面對大量對話數(shù)據(jù)，想知道對話背后的價值；電商產(chǎn)品經(jīng)理想知道如何利用買家數(shù)據(jù)做精準營銷。這時候如果啥都不懂，很容易手足無措，也不知道找誰，就算找到資源還不一定為己所用。

所以產(chǎn)品經(jīng)理苦啊，但苦孩子總得自立自強，求人不如求己，逼我學習就對了！

對著數(shù)據(jù)像個陌生人，那就學習數(shù)據(jù)分析思維，再也不做懵逼的小孩！

不知道該找誰，那就學習數(shù)據(jù)分析方法，再也不做手足五促的少年！

找到人也沒得幫忙，那就自己開搞，再也不做被忽悠的青少年！

就憑這股怨氣，讓我們開始數(shù)據(jù)之旅吧~

三、數(shù)據(jù)解決問題的思路

那么，在我們日常產(chǎn)品工作中，又該如何利用好數(shù)據(jù)分析這把實戰(zhàn)利器呢？萬變不離其宗，大象放進冰箱需要三步，數(shù)據(jù)解決問題復雜太多，所以步驟遠不止三步，而是驚人的五步！

【第一步：定義問題】

前面說了，產(chǎn)品經(jīng)理的核心在于解決問題，所以做數(shù)據(jù)分析也是如此。如果沒有目的，單純?yōu)榱俗鰯?shù)據(jù)分析而做分析，那就如同拿了一把屠龍刀去秀雜技，難道是還是“陳獨秀”？所以第一步，我們要先找到業(yè)務問題（目標），并且最關鍵的，將其轉換為一個數(shù)據(jù)問題。

定義問題的過程也是有跡可循，這里我們繼續(xù)做“夢想中的拆一代”，拆三步：

1. 提出大體想法
2. 驗證問題
3. 提出數(shù)據(jù)分析問題

很多業(yè)務問題提出來的時候只是一個籠統(tǒng)的定義，比如：“用戶這個月留存不行”；“這個月銷售額不好，下個月希望有個明顯的提升”。

“留存不行”、“銷售額不好”該如何定義？所以首先，需要了解事件背景以驗證問題是否真的存在，再將問題描述得更清晰一些，如：“本月銷售額降低了20%，找出下降的原因并提出提升銷售額的方案”

【第二步：數(shù)據(jù)分析】

定義清楚問題了，我們就可以揮舞屠龍寶刀，開始數(shù)據(jù)分析！整個過程主要分五步：

1. 數(shù)據(jù)獲取：“不擇手段”地找到我們最需要的原始數(shù)據(jù)
2. 數(shù)據(jù)清理：處理原始數(shù)據(jù)，比如校驗合理性，校驗格式
3. 數(shù)據(jù)轉換：將需要分析的數(shù)據(jù)做表格合并、排序等操作
4. 分析建模：確定分析所需要的統(tǒng)計方式，如基本統(tǒng)計分析、建模分析等
5. 結果呈現(xiàn)：將結果以PPT、報告等形式呈現(xiàn)出來

這里的分析流程先簡單做個介紹，下一章會針對該過程做具體生動詳述，敬請期待哦~

【第三步：產(chǎn)品方案】

有了數(shù)據(jù)結果不代表工作就結束了。如果數(shù)據(jù)沒有對產(chǎn)品或者業(yè)務有任何指引，那就跟

墻上畫大餅一樣一樣的—-中看不中吃~

產(chǎn)品方案的落地細節(jié)需要結合不同場景來制定，這塊是產(chǎn)品經(jīng)理用來吃飯的活兒，就不需要詳細論述。需要注意兩個點：

（1）需要有數(shù)據(jù)指標，驗證方案落地的效果，為后續(xù)復盤做數(shù)據(jù)支撐，也可以用好的數(shù)據(jù)效果反饋給數(shù)據(jù)團隊，肯定數(shù)據(jù)分析過程的價值。

（2）若有多個方案，在資源允許的條件下，可以同時進行落地，最后再得出最適合的方案。畢竟，拍腦袋誰不會，talk is cheap,show me your data！

【第四步：方案落地】

制定了產(chǎn)品方案后，就需要產(chǎn)品經(jīng)理協(xié)調開發(fā)、設計等資源，推動項目落地。這個過程有一個很關鍵的點，就是要做ABtest，在上述場景中，即抽取用戶體驗方案（1）（2）（3），另一部分用戶依舊體驗舊方案，并對多組數(shù)據(jù)做對比，以驗證效果。

關于ABtest，其實也有很多學問，本篇主要還是讓大家知道產(chǎn)品經(jīng)理與數(shù)據(jù)的關系，不做其他闡述。后續(xù)若需要，我們再做一篇專門介紹。

【第五步：項目復盤】

好了，方案落地一兩周后，對比數(shù)據(jù)也出來了。此時，我們需要測量并整理不同方案的效果數(shù)據(jù)，拉上相關人員，比如數(shù)據(jù)團隊、業(yè)務團隊、技術團隊做溝（si）通（bi），分析效果，然后得出團隊認同的結論。并且很多時候可能會產(chǎn)生新的問題，這時候又回到了我們第一步【定義問題】，然后進入無盡的輪回~

也恰恰是這樣的輪回，才能讓產(chǎn)品經(jīng)理不再拍腦袋，talk is cheap,show my data！

四、數(shù)據(jù)分析流程

講完一些通（mei）用的道理后，七爺覺得干貨好像不多，會被罵的。所以我再補充下數(shù)據(jù)分析的具體流程，讓產(chǎn)品經(jīng)理起碼知道這個過程是怎樣的，并且需要哪些技能才能完成。萬一哪一天，咱有需求，但咱沒資源，咱也不敢說不敢問，就得靠自己了。now，let’s get the son of data！

七爺聽過數(shù)據(jù)分析流程的一個比喻，賊形象，引用于此，與大家探討。第三章已經(jīng)講過數(shù)據(jù)分析的整個過程，而這個過程跟平時做飯是一樣一樣的。咱先看下面這張圖，然后一個個來講。

1. 數(shù)據(jù)獲取（買菜）

所謂“巧婦難為無米之炊”，做飯前你需要去買菜，做數(shù)據(jù)分析前你也應該收集數(shù)據(jù)。以前買菜要么看看家里冰箱，要么到菜市場，現(xiàn)在渠道就多了，可以去菜市場，超市，也可以在x東超市、x咚買菜平臺、x日優(yōu)鮮平臺等，這么多選擇了，就得根據(jù)自己實際情況，選擇最合適的渠道買最想要的新鮮菜。同樣的，收集數(shù)據(jù)也有各類渠道。

（1）冰箱里面看存貨

一問開發(fā)同學數(shù)據(jù)庫有沒有： 沒有？再問開發(fā)同學日志有沒有：沒有？三問后臺系統(tǒng)報表有沒有：沒有？大戶人家（大公司）還可以四問數(shù)據(jù)團隊有沒有：也沒有？?。ńo你大姨夫打電話吧，拜拜~）

一般來說，數(shù)據(jù)收集過程需要做埋點統(tǒng)計，或者利用第三方BI工具做收集。這里就需要產(chǎn)品經(jīng)理懂得如何埋點，如何使用第三方BI工具。

（2）外面市場逛一逛

首先最直接的菜市場就是各種行業(yè)數(shù)據(jù)報告，有需要收費的，也有免費下載的。這里推薦主流的數(shù)據(jù)報告網(wǎng)站：

• 國家統(tǒng)計局：http://www.stats.gov.cn/
• 艾瑞網(wǎng)：https://www.iresearch.com.cn/report.shtml
• 中國互聯(lián)網(wǎng)絡信息中心：http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/
• 易觀：https://www.analysys.cn/article/analysis/701/1
• Talkingdata：http://mi.talkingdata.com/reports.html?category=all
• 艾媒網(wǎng)：https://www.iimedia.cn/#shuju
• 企鵝智庫：https://tech.qq.com/biznext/list.html
• 七麥數(shù)據(jù)：https://www.qimai.cn/research
• 還有類似騰訊大數(shù)據(jù)、阿里研究院、百度指數(shù)、極光大數(shù)據(jù)等。

那有些數(shù)據(jù)在別人的報告里面沒有，但在別人的網(wǎng)站上面有，這時候我們首先應該看下網(wǎng)站有沒有數(shù)據(jù)API可以讓我們獲取，當然大部分時候是沒有的，那就使出最后一招：pa！

此爬非彼扒手之扒，咱文明點，用爬蟲的手段，可以獲取許多網(wǎng)站上面的數(shù)據(jù)。

一般來說，在團隊里面如果不是專業(yè)的爬蟲團隊，產(chǎn)品經(jīng)理要在沒有任何業(yè)務背景下提出爬蟲的需求是比較難以得到支持的，所以養(yǎng)成扒手，哦不，爬蟲的技能，是一件多么重要的事情。

七爺吃以前敲代碼的老本，有時候會爬爬一些電商的數(shù)據(jù)，以后有機會可以分享交流一波~

總結一下數(shù)據(jù)獲取的整個過程：

• 埋點統(tǒng)計有必要
• 日志報表來一套
• 平時收藏數(shù)據(jù)報
• 實在不行爬蟲搞！

2. 數(shù)據(jù)清理（洗菜）

買完菜了，我們就得來洗菜，這在數(shù)據(jù)分析中一般叫作預處理，讓數(shù)據(jù)變得規(guī)范，方便后續(xù)處理、分析。

預處理的過程其實需要很細致，就跟洗菜一樣，很容易我們就漏掉一些邊邊角角，導致洗菜不干凈，那吃起來就不怎么香咯。

具體預處理過程，七爺總結為三看：

（1）看菜干不干凈

合法性：數(shù)據(jù)需要符合常識，不能說有個商品的價格是-100，那不就是倒貼？所以建議通過設置最大值最小值來規(guī)避這類情況

一致性：格式、命名需要保持一致，不能有個時間戳是mm/dd，另一個卻是dd/mm/yy

唯一性：重復的數(shù)據(jù)需要去重，并且保證有一個唯一主鍵，且不能修改

（2）看菜變沒變質

不準確：我們測試的一些變量數(shù)據(jù)可能存在誤差或者方差，需要通過平均值替代、分箱等專業(yè)方法來處理，這塊如果產(chǎn)品不想碰，可以請教數(shù)據(jù)分析師大大們

數(shù)據(jù)損壞：有些數(shù)據(jù)變成了null，某一時間段數(shù)據(jù)被清除，這類情況都屬于數(shù)據(jù)損壞了，需要想辦法清洗掉

（3）看菜多不多余

完整性：檢驗某些字段有沒有缺失，某些數(shù)據(jù)會不會為空（與數(shù)據(jù)損壞有些類似）

無關性：刪除不相關的字段或者數(shù)據(jù)值，保證留下來的都是被需要的，把其他菜留著下次做

經(jīng)過這波處理，基本都可以把數(shù)據(jù)預處理干凈了，但往往只有等到開始分析了，才會發(fā)覺有些數(shù)據(jù)沒有處理好，這也屬于正常情況。炒菜時候發(fā)現(xiàn)菜不干凈了，那就再洗洗唄~

3. 數(shù)據(jù)轉換（切菜）

菜洗完了，我們就要開始炒菜前最后一步：切菜。我們需要對預處理完的數(shù)據(jù)做格式等轉化，比如合并不同數(shù)據(jù)成為新的表格，增加新的字段變量，以及對整個文本做排序等。

結合不同的數(shù)據(jù)流程，會有不同的轉換要求。這里也要求數(shù)據(jù)分析人員與產(chǎn)品經(jīng)理要充分了解業(yè)務情況，才能知道不同數(shù)據(jù)表是如何聯(lián)系的，如電商買家聊天數(shù)據(jù)、訂單數(shù)據(jù)、購買頻次數(shù)據(jù)之間的關系。千萬不要忽略這一步，刀工的好壞，決定了食材能否發(fā)揮其最大的美味！

4. 分析建模（炒菜）

好了，菜洗完了，切完了，就要正式炒菜了，也就是我們的分析建模。很多人聽到模型兩個字就覺得需要眼花繚亂的技術才可以做到，但并非如此。這里七爺借鑒其他大牛的介紹，把這個過程總結為三類：

（1）基本統(tǒng)計分析：大部分產(chǎn)品經(jīng)理要做數(shù)據(jù)分析需求，通過常規(guī)分析就能夠解決，利用環(huán)比、同比、排列、對比分析、分組分析、平均分析等方式，直觀地發(fā)現(xiàn)數(shù)據(jù)中隱藏的問題。

（2）統(tǒng)計模型分析：不同的業(yè)務場景，其實市面上已經(jīng)有成熟的分析方法，比如用戶分群的RFM模型，用戶行為分為的漏斗模型等，我們只需要做的是按照模型的需要建立數(shù)據(jù)體系再進行計算，從而得出結論。后續(xù)七爺會針對工作中用到的模型做介紹，讓大家對建模過程有更加直觀了解，而不再認為是玄學。

（3）自建模型分析：對于專業(yè)數(shù)據(jù)團隊來說，他們要的工作遠遠超過常規(guī)模型的復雜度，所以需要自建模型，比如利用線性分析預測電商銷售，利用0/1回歸分析廣告投放中的點擊率情況，樸素貝葉斯分析用戶評論從而改善產(chǎn)品。這塊七爺做nlp過程中深有感觸，與算法大大工作中發(fā)現(xiàn)很多模型的效果不盡人意，在產(chǎn)品上還可以通過業(yè)務規(guī)則來達到效果，而數(shù)據(jù)分析要求更加精準，這個過程要如何做好，至少七爺也有很長的路要修行。大家一起加油吧~

5. 分析呈現(xiàn)（上菜）

菜炒好了，那就得進行最后一道工序：擺盤，保證色香味俱全地呈現(xiàn)給相關人員，這里講的就是數(shù)據(jù)的最后一步：可視化。

最基礎的可視化方法就是統(tǒng)計圖。

說是基礎，但其中的要求卻是枝葉繁多，總的來說，好的統(tǒng)計圖應該保證：準確、有效、簡潔、美觀。

同時，還要選對統(tǒng)計圖，比如餅圖是用來展示頻數(shù)的，柱狀圖是用來分析一個離散型變量的，堆積柱狀圖用來分析兩個離散型變量，折線圖是針對時間序列的統(tǒng)計分析，箱線圖是對連續(xù)性變量的統(tǒng)計。真可謂千奇百怪，千方百計。

現(xiàn)在市面上也有很多對統(tǒng)計圖的基礎教程，這里推薦《誰說菜鳥不會數(shù)據(jù)分析》這本書，可以看看數(shù)據(jù)可視化以及其他內容。

其他展示方式包括數(shù)據(jù)樣板：適合于數(shù)據(jù)統(tǒng)計的需求模塊；報表展示：適用于完整的數(shù)據(jù)展現(xiàn)；ppt：適用于展（chui）現(xiàn)（niu）價（bi）值。

好了，以上~

本文由 @steseven 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協(xié)議。